该项目是一个由社区驱动、持续更新的知识库，专门收集并整理了来自全球主流AI聊天机器人（如OpenAI的ChatGPT、Anthropic的Claude、Google的Gemini等）泄露或被提取出的“系统提示”（System Prompts）。
-
背景与问题： 大型语言模型（LLM）的行为和个性，很大程度上由其开发者预设的一套内部指令——即“系统提示”——所决定。这些提示定义了模型的角色、能力边界、回答风格和安全准则，但通常对用户是隐藏的。对于希望深入理解和高效利用这些模型的开发者和研究者来说，无法看到这些“底层指令”是一个巨大的痛点。
-
项目定位与核心价值： 本质上，这是一个“AI模型行为说明书”的逆向工程集合。它通过汇集全球网友通过各种“越狱”或提示注入技巧获得的系统提示，为外界提供了一个窥探顶尖AI模型“大脑”内部运作的独特窗口。其核心价值在于，将这些原本保密的、零散的信息集中化、公开化，极大地降低了学习和研究的门槛。
-
工作原理与设计思想： 项目的运作依赖于社区的集体智慧。用户通过巧妙的提问方式诱导AI模型说出自己的系统提示，然后将这些发现以代码仓库的形式（通过Pull Request）提交和分享。其核心思想是开放与共享，旨在为AI社区创建一个关于模型指令设计的中央参考资源。
-
关键特性与优势：
- 内容稀缺： 提供了难以从官方渠道获得的宝贵一手资料。
- 覆盖广泛： 涵盖了市面上几乎所有主流的大型语言模型。
- 社区驱动： 内容更新快，能及时反映各大模型厂商对其系统提示的调整。
- 极高学习价值： 是学习高级提示工程（Prompt Engineering）和理解AI安全对齐策略的绝佳范例库。
-
实际应用场景：
- 提示工程学习： 开发者可以借鉴这些“大师级”的提示，学习如何更精确、更高效地控制LLM，以构建更强大的AI应用。
- AI安全与对齐研究： 研究人员可以分析这些提示，以了解不同公司在AI安全、偏见控制和价值观对齐方面的具体实现方法。
- 产品开发参考： 正在构建自己AI助手的团队，可以参考这些顶级产品的设计思路来设定自己模型的角色和行为规范。
- 技术爱好者探索： 满足了技术爱好者对“AI黑箱”内部工作原理的好奇心。